ННГУ обучил нейросеть анализировать эпилептическую активность на ЭЭГ
Ученые Университета Лобачевского разработали нейросетевой алгоритм, который сегментирует паттерны эпилептиформной активности на электроэнцефалограммах и автоматически рассчитывает индекс спайк-волновой активности (SWI). Работа опубликована в журнале MDPI Technologies при поддержке Минэкономразвития РФ, передает пресс-служба вуза.
В разработке участвовали эпилептологи из московских и нижегородских клиник и специалисты по машинному обучению Университета Лобачевского. Команда выбрала архитектуру 1D U-Net, адаптированную для сегментации одномерных временных рядов ЭЭГ. Такая модель автоматически выделяет признаки, учитывая локальные особенности сигнала и его общий контекст, и по итоговым сегментационным маскам позволяет рассчитывать SWI, хорошо согласующийся с оценками врачей. В рамках проекта создана и аннотирована собственная база ЭЭГ с участием нескольких независимых экспертов, что обеспечило надежный «золотой стандарт» для обучения и проверки модели.
Для тестирования алгоритма использовали 51 запись ЭЭГ от 45 детей в возрасте от 3 до 13 лет, разделенных на обучающую и тестовую выборки. Пять экспертов функциональной диагностики с опытом работы более пяти лет дважды, с интервалом в четыре месяца, оценивали выбранные фрагменты и рассчитывали SWI, не зная ни диагнозов пациентов, ни результатов нейросети, ни мнения коллег. Согласованные экспертные оценки сравнили с результатами модели: в половине случаев событийная F1-мера превышала 0,9, а автоматические расчеты SWI показали высокую корреляцию с усредненными оценками врачей.
SWI используется как количественный биомаркер при эпилепсии: он показывает долю времени ЭЭГ-записи, в течение которой фиксируется эпилептиформная активность, и помогает оценивать нагрузку заболевания. Традиционно SWI считают вручную по коротким фрагментам ЭЭГ, что требует значительных затрат времени и подвержено субъективным различиям между врачами. Новый алгоритм позволяет автоматизировать эту процедуру и использовать SWI для персонализированного подбора лечения и объективного мониторинга терапии.
По словам старшего научного сотрудника лаборатории «Искусственный интеллект в кардио- и нейронауке» ИИТММ ННГУ Альбины Лебедевой, нейросеть решает сразу несколько проблем ручной разметки ЭЭГ. «Нейросеть не устаёт, не теряет концентрацию и не подвержена субъективным трактовкам. Она выдаёт стабильный, математически воспроизводимый результат, который в среднем соответствует консенсусу группы экспертов. Нейросеть выступает как “неутомимый и беспристрастный второй эксперт”».
В разработке участвовали эпилептологи из московских и нижегородских клиник и специалисты по машинному обучению Университета Лобачевского. Команда выбрала архитектуру 1D U-Net, адаптированную для сегментации одномерных временных рядов ЭЭГ. Такая модель автоматически выделяет признаки, учитывая локальные особенности сигнала и его общий контекст, и по итоговым сегментационным маскам позволяет рассчитывать SWI, хорошо согласующийся с оценками врачей. В рамках проекта создана и аннотирована собственная база ЭЭГ с участием нескольких независимых экспертов, что обеспечило надежный «золотой стандарт» для обучения и проверки модели.
Для тестирования алгоритма использовали 51 запись ЭЭГ от 45 детей в возрасте от 3 до 13 лет, разделенных на обучающую и тестовую выборки. Пять экспертов функциональной диагностики с опытом работы более пяти лет дважды, с интервалом в четыре месяца, оценивали выбранные фрагменты и рассчитывали SWI, не зная ни диагнозов пациентов, ни результатов нейросети, ни мнения коллег. Согласованные экспертные оценки сравнили с результатами модели: в половине случаев событийная F1-мера превышала 0,9, а автоматические расчеты SWI показали высокую корреляцию с усредненными оценками врачей.
